論文の概要: Long-range electrostatics for machine learning interatomic potentials is easier than we thought
- arxiv url: http://arxiv.org/abs/2512.18029v1
- Date: Fri, 19 Dec 2025 19:48:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.157091
- Title: Long-range electrostatics for machine learning interatomic potentials is easier than we thought
- Title（参考訳）: 機械学習の原子間ポテンシャルに対する長距離静電法は、想像以上に容易である
- Authors: Dongjin Kim, Bingqing Cheng,
- Abstract要約: 長距離静電気学の欠如は、現代の機械学習の原子間ポテンシャルの鍵となる限界である。
この観点では、ラテント・エワルド・サミエーション・フレームワークの背後にある2つの設計原則を抽出する。
- 参考スコア（独自算出の注目度）: 6.21264745750065
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The lack of long-range electrostatics is a key limitation of modern machine learning interatomic potentials (MLIPs), hindering reliable applications to interfaces, charge-transfer reactions, polar and ionic materials, and biomolecules. In this Perspective, we distill two design principles behind the Latent Ewald Summation (LES) framework, which can capture long-range interactions, charges, and electrical response just by learning from standard energy and force training data: (i) use a Coulomb functional form with environment-dependent charges to capture electrostatic interactions, and (ii) avoid explicit training on ambiguous density functional theory (DFT) partial charges. When both principles are satisfied, substantial flexibility remains: essentially any short-range MLIP can be augmented; charge equilibration schemes can be added when desired; dipoles and Born effective charges can be inferred or finetuned; and charge/spin-state embeddings or tensorial targets can be further incorporated. We also discuss current limitations and open challenges. Together, these minimal, physics-guided design rules suggest that incorporating long-range electrostatics into MLIPs is simpler and perhaps more broadly applicable than is commonly assumed.
- Abstract（参考訳）: 長距離静電気学の欠如は、現代の機械学習原子間ポテンシャル(MLIP)の鍵となる限界であり、インターフェース、電荷移動反応、極性およびイオン性物質、生体分子への信頼性の高い応用を妨げる。
この視点では、標準エネルギーおよび強制訓練データから学習することで、長距離の相互作用、電荷、電気応答をキャプチャできる潜在エワルド・サミテーション(LES)フレームワークの背後にある2つの設計原則を抽出する。
(i)環境依存電荷を持つクーロン機能形態を用いて静電気相互作用を捕捉し、
(II)不明瞭密度汎関数理論(DFT)部分電荷の明示的な訓練を避けること。
両方の原則が満たされると、実質的に任意の短距離MLIPを拡張でき、電荷平衡スキームを必要に応じて追加でき、双極子とボルンの有効電荷を推測または微調整でき、電荷/スピン状態の埋め込みやテンソルターゲットをさらに組み込むことができる。
現在の制限やオープンな課題についても議論しています。
これらの最小限の物理誘導設計規則は、MLIPに長距離静電を組み込むことは、一般的に想定されるよりもシンプルであり、おそらくより広く適用可能であることを示唆している。
関連論文リスト
- A universal augmentation framework for long-range electrostatics in machine learning interatomic potentials [8.414405667524889]
静電相互作用, 分極, ボルン有効電荷(BECs)を推定する潜在エワルド置換法(LES)
短距離MLIPと互換性のあるスタンドアロンライブラリとしてLESを提示し、MACE、NequIP、CACE、CHGNetといったメソッドとの統合を実証する。
分子やクラスターを含むSPICEセット上でMACELES-OFFをトレーニングすることにより, LESを大規模かつ化学的に多様なデータに拡張する。
論文 参考訳（メタデータ） (2025-07-18T18:21:45Z) - Coupled reaction and diffusion governing interface evolution in solid-state batteries [4.707991478885645]
我々は、対称電池セルの量子精度で、大規模で明示的な反応シミュレーションを行う。
我々はSEI生成の実験的観察と,デンドライト開始に重要なLiクリープ機構の解明について説明する。
我々のアプローチは、実験に適合する調整可能なパラメータを使わずに、デジタル双生児を第一原理から切り離すことです。
論文 参考訳（メタデータ） (2025-06-12T17:49:05Z) - Interaction Field Matching: Overcoming Limitations of Electrostatic Models [85.87349969357068]
静電場整合(EFM)は、近年、電気コンデンサのアイデアを用いて、データ生成と転送のための物理に着想を得たパラダイムとして登場した。
我々は、静電気以外の一般的な相互作用場を利用できるEMFの一般化であるInteraction Field Matching (IFM)を提案する。
一連の玩具および画像データ転送問題に対して,その性能を示す。
論文 参考訳（メタデータ） (2025-06-03T14:45:14Z) - Machine learning interatomic potential can infer electrical response [3.502816712907136]
機械学習原子間ポテンシャル(MLIP)は、量子力学的手法に代わる効率的でスケーラブルな代替手段を提供する。
長距離MLIPから偏極およびボルン有効電荷(BEC)テンソルを直接抽出できることを示す。
この研究は、電荷や分極やBECのトレーニングを伴わずに、電気応答を予測する能力をMLIPに拡張し、様々なシステムにおける電場駆動プロセスの高精度なモデリングを可能にする。
論文 参考訳（メタデータ） (2025-04-07T15:14:07Z) - Learning charges and long-range interactions from energies and forces [3.502816712907136]
我々は、原子電荷や電荷平衡を明示的に学習することなく、長距離静電気を捕捉するラテント・エワルド・サミエーション法を導入する。
荷電分子, イオン液体, 電解質溶液, 極性ジペプチド, 表面吸着剤, 電解質/固体界面, 固体界面など, 多様な, 困難なシステムについてLESをベンチマークした。
以上の結果から, LESは物理的部分電荷, 双極子モーメント, 四極子モーメントを効果的に推算できるとともに, 電荷を明示的に学習する手法と比較して精度が向上することが示唆された。
論文 参考訳（メタデータ） (2024-12-19T23:24:44Z) - Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。
この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
論文 参考訳（メタデータ） (2024-12-17T15:05:33Z) - Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。
第一原理計算では,10種中8種が室温で超イオン性であることが確認された。
本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Latent Ewald summation for machine learning of long-range interactions [0.0]
本稿では,局所的な原子ディスクリプタから潜時変数を学習することにより,長距離相互作用を考慮した簡便かつ効率的な手法を提案する。
荷電および極性分子二量体、バルク水、水蒸気界面などのシステムでは、標準の短距離MLIPが非物理的予測に繋がることを示した。
長距離モデルはこれらのアーティファクトを効果的に排除し、短距離MLIPの計算コストの約2倍に過ぎなかった。
論文 参考訳（メタデータ） (2024-08-27T16:03:18Z) - Topological Josephson Junctions in the Integer Quantum Hall Regime [42.408991654684876]
チューニング可能なジョセフソン接合(TJJ)は、異常なジョセフソン効果と位相量子絶縁体応用を研究する上で望ましいプラットフォームである。
本稿では、整数量子ホール(IQH)と超伝導体の物理を組み合わせることで、頑健で静電気的に調整可能なTJJを提案する。
スケーラブルでロバストなAndreev-qubitプラットフォームへの特に関連性があり、また効率的な位相電池でもある。
論文 参考訳（メタデータ） (2022-11-04T16:45:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。